구조적 오차수정모형을 이용한 한국노동시장 자료분석

성병찬,정효상,Seong, Byeongchan,Jung, Hyosang 한국통계학회 2013 응용통계연구 Vol.26 No.6

본 논문에서는, 구조적 오차수정모형을 한국의 노동시장 자료에 적용함으로써, 실업률에 미치는 구조적 충격의 영향을 분석한다. 이를 위하여 기술력, 노동수요, 노동공급, 임금 부문에서의 충격을 정의하였으며, 이를 각각 노동생산성, 취업자 수, 실업률, 실질임금과 연결하였다. 그 결과로서, 노동수요 및 노동공급 충격이 각각 장기적 및 단기적으로 실업률에 유의한 영향을 미치는 것으로 나타났다. We use a structural vector error correction model of the labor market to investigate the effect of shocks to Korean unemployment. We associate technology, labor demand, labor supply, and wage-setting shocks with equations for productivity, employment, unemployment, and real wages, respectively. Subsequently, labor demand and supply shocks have significant long-run and contemporaneous effects on unemployment, respectively.

모수 절약 주기적 자기회귀 모형에 관한 연구

이지호,성병찬,Lee, Jiho,Seong, Byeongchan 한국통계학회 2016 응용통계연구 Vol.29 No.1

본 논문에서는 주기적 자기회귀(periodic autoregressive) 모형에서 모수의 수를 줄이기 위한 모수 절약 주기적 자기회귀 모형을 연구하였다. 제안된 모수 절약 모형은 실증분석에서 실업률을 이용하여 기존의 계절 시계열 모형과 비교를 통하여 그 성능을 평가하였다. 모수 절약 구조를 부여하기 위하여 계절성에서 공통된 패턴을 찾아내는 방법을 사용하였으며 기존 주기적 자기회귀 모형과의 통계적 차이 유무는 LR 검정을 통해 확인하였다. 그 결과, 중장기적으로 주기적 자기회귀 모형이 기존의 계절시계열 모형보다 우수한 예측성능을 보였으며, 특히 모수 절약 주기적 자기 회귀 모형의 사용은 기존의 주기적 자기회귀 모형보다 우수한 예측성능을 나타내는 것을 확인하였다. This paper proposes a parsimonious periodic autoregressive (PAR) model. The proposed model performance is evaluated through an analysis of Korean unemployment rate series that is compared with existing models. We exploit some common features among each seasonality and confirm it by LR test for the parsimonious PAR model in order to impose a parsimonious structure on the PAR model. We observe that the PAR model tends to be superior to existing seasonal time series models in mid- and long-term forecasts. The proposed parsimonious model significantly improves forecasting performance.

순환성분 추출을 위한 EMD와 HP 필터의 비교분석: 한국의 거시 경제 지표에의 응용

박민정,성병찬,Park, Minjeong,Seong, Byeongchan 한국통계학회 2014 응용통계연구 Vol.27 No.3

본 논문에서는 시간-진동수 영역에서 시계열을 여러 구성 성분으로 분해하는 방법인 경험적모드분해법(Empirical Mode Decomposition)을 소개하고, 이를 이용하여 한국의 주요 거시 경제 지표를 대상으로 순환변동과 추세 성분을 추출하고 예측에 활용한다. 그 효율성을 살펴보기 위하여, 추출된 구성 성분들의 변동성, 동행성, 지속성, 인과성, 비정상성 및 예측력을 계산하고, 가장 보편적으로 널리 사용되고 있는 Hodrick-Prescott 필터에 의한 결과와 비교한다. We introduce the empirical model decomposition (EMD) to decompose a time series into a set of components in the time-frequency domain. By using EMD, we also extract cycle and trend components from major Korean macroeconomic indices and forecast the indices with the components combined. In order to evaluate their efficiencies, we investigate volatility, autocorrelation, persistence, Granger causality, nonstationarity, and forecasting performance. They are then compared with those by Hodrick-Prescott filter which is the most commonly used method.

코스피 예측을 위한 EMD를 이용한 혼합 모형

김효원,성병찬,Kim, Hyowon,Seong, Byeongchan 한국통계학회 2016 응용통계연구 Vol.29 No.3

본 연구에서는 시계열 자료의 비정상성과 비선형성과 같은 복잡성을 효과적으로 포용할 수 있는 경험적모드분해법(empirical mode decomposition; EMD)을 토대로 시계열 자료의 분석 및 예측을 위한 혼합(hybrid) 모형을 연구한다. EMD에 의하여 생성되는 내재모드함수(intrinsic mode function; IMF)는 해석 및 예측의 편리성을 개선하기 위하여 누적에너지의 개념을 사용하여 그룹화하였으며, 그룹화된 IMF 및 residue의 성분들은 그 성질에 따라서 ARIMA 모형 및 지수평활법과 결합된 혼합 모형으로 예측된다. 제안된 방법은 일별 코스피 지수의 예측을 위해서 적용하였다. 다양한 형태의 혼합 모형을 사용하여 코스피 지수를 예측하였으며 전통적인 예측 방법과 비교하였다. 분석 결과, 그룹화된 성분들은 코스피 지수의 움직임을 단기적, 중기적, 장기적으로 해석하는데 편리함을 주었으며, 그룹화된 IMF 및 residue를 각각 ARIMA 모형과 지수평활법으로 조합한 혼합 모형이 우수한 예측력을 보여주었다. The paper considers a hybrid model to analyze and forecast time series data based on an empirical mode decomposition (EMD) that accommodates complex characteristics of time series such as nonstationarity and nonlinearity. We aggregate IMFs using the concept of cumulative energy to improve the interpretability of intrinsic mode functions (IMFs) from EMD. We forecast aggregated IMFs and residue with a hybrid model that combines the ARIMA model and an exponential smoothing method (ETS). The proposed method is applied to forecast KOSPI time series and is compared to traditional forecast models. Aggregated IMFs and residue provide a convenience to interpret the short, medium and long term dynamics of the KOSPI. It is also observed that the hybrid model with ARIMA and ETS is superior to traditional and other types of hybrid models.

국면전환 GARCH 모형을 이용한 코스피 변동성 분석

허진영,성병찬,Huh, Jinyoung,Seong, Byeongchan 한국통계학회 2015 응용통계연구 Vol.28 No.3

변동성(volatility)은 투자위험을 의미하며 자산의 가격결정이나 포트폴리오 관리 및 투자전략에서 아주 중요한 역할을 한다. 이러한 변동성을 모형화하기 위한 조건부 이분산 모형으로서 전통적인 GARCH(generalized autoregressive conditional heteroskedastic) 모형 및 확장된 형태들이 널리 사용되어지고 있으나, 금융위기와 재정위기와 같은 구조적 변화를 변동성 예측에 반영할 수 없다는 단점을 가지고 있다. 본 논문에서는 이를 극복하기 위한 모형으로서 국면전환 GARCH(Markov regime switching GARCH) 모형을 소개하고, 한국의 일별 KOSPI 수익률에 적용하여 변동성 분석 및 예측을 실시하고, 기존의 GARCH 모형들과 비교하여 그 성능을 평가한다. 그 결과 표본 내(in-sample)의 변동성 적합도 측면에서 국면전환 GARCH 모형이 가장 우수한 성능을 보였으며, 표본 외(out-of-sample) 예측력 측면에서는 국면전환 GARCH 모형이 단기적 예측에서 좋지 않은 성능을 보였으나 장기적 예측에서 우수함을 보였다. Volatility forecasting in financial markets is an important issue because it is directly related to the profit of return. The volatility is generally modeled as time-varying conditional heteroskedasticity. A generalized autoregressive conditional heteroskedastic (GARCH) model is often used for modeling; however, it is not suitable to reflect structural changes (such as a financial crisis or debt crisis) into the volatility. As a remedy, we introduce the Markov regime switching GARCH (MRS-GARCH) model. For the empirical example, we analyze and forecast the volatility of the daily Korea Composite Stock Price Index (KOSPI) data from January 4, 2000 to October 30, 2014. The result shows that the regime of low volatility persists with a leverage effect. We also observe that the performance of MRS-GARCH is superior to other GARCH models for in-sample fitting; in addition, it is also superior to other models for long-term forecasting in out-of-sample fitting. The MRS-GARCH model can be a good alternative to GARCH-type models because it can reflect financial market structural changes into modeling and volatility forecasting.

이노베이션 상태공간 지수평활 모형을 이용한 시간별 전력 수요의 예측

원다영,성병찬,Won, Dayoung,Seong, Byeongchan 한국통계학회 2016 응용통계연구 Vol.29 No.4

본 논문은 이노베이션 상태공간모형을 근간으로 기존의 지수평활법을 포괄할 수 있는 다중 계절형 모형을 소개한다. 특히 이 모형은, 기존 모형의 한계를 극복하고 동일한 계절 내의 다양성을 표현할 수 있도록 계절 성분을 행렬로 표현하는 정교한 구조를 가지고 있다. 이런 구조를 이용하면 비슷한 패턴을 가지는 계절 성분의 모수를 그룹별로 분류할 수 있다. 따라서, 다중 계절형 모형은 모수절약 원칙을 달성할 수 있으며 모형의 해석이 용이한 장점을 가지고 있을 뿐만 아니라, 잠재적으로 임의의 개수의 계절성도 수용 가능하다. 본 연구에서는 다중 계절형 모형을 이용하여 시간 단위로 관측된 한국 전력 수요량을 분석하고 예측한다. 특히, 시간별 전력 수요량의 계절성은 1일 및 1주일의 두 가지로 고려되었고 이를 토대로 유사한 요일들은 공통 계절로 그룹화하였다. 모형의 예측 성능을 평가하기 위하여 기존 지수평활법의 예측 결과와 비교하였다. 그 결과, 다중 계절형 모형이 기존 지수평활법보다 예측력이 우수함을 확인하였다. We introduce innovations state space exponential smoothing models (ISS-ESM) that can analyze time series with multiple seasonal patterns. Especially, in order to control complex structure existing in the multiple patterns, the model equations use a matrix consisting of seasonal updating parameters. It enables us to group the seasonal parameters according to their similarity. Because of the grouped parameters, we can accomplish the principle of parsimony. Further, the ISS-ESM can potentially accommodate any number of multiple seasonal patterns. The models are applied to predict electricity demand in Korea that is observed on hourly basis, and we compare their performance with that of the traditional exponential smoothing methods. It is observed that the ISS-ESM are superior to the traditional methods in terms of the prediction and the interpretability of seasonal patterns.

계수형 시계열 모형을 위한 자동화 차수 선택 알고리즘

지윤미,성병찬,Ji, Yunmi,Seong, Byeongchan 한국통계학회 2020 응용통계연구 Vol.33 No.2

In this paper, we study an algorithm that automatically determines the orders of past observations and conditional mean values that play an important role in count time series models. Based on the orders of the ARIMA model, the algorithm constitutes the order candidates group for time series generalized linear models and selects the final model based on information criterion among the combinations of the order candidates group. To evaluate the proposed algorithm, we perform small simulations and empirical analysis according to underlying models and time series as well as compare forecasting performances with the ARIMA model. The results of the comparison confirm that the time series generalized linear model offers better performance than the ARIMA model for the count time series analysis. In addition, the empirical analysis shows better performance in mid and long term forecasting than the ARIMA model. 본 논문은 시계열 일반화 선형 모형의 하나인 계수형 시계열 모형에서 중요한 역할을 하는 과거 관측값과 조건부 평균값의 차수를 자동으로 결정하는 알고리즘을 연구한다. 본 알고리즘은 ARIMA 모형의 차수를 기반으로 시계열 일반화 선형 모형의 차수 후보군을 만들고, 차수 후보군의 조합을 이용하여 정보량 기준으로 최종 모형으로 선택한다. 제안된 알고리즘을 평가하기 위하여, 내재적 모형 및 내재적 시계열의 종류에 따른 시뮬레이션 및 실증 분석을 수행하고 예측력을 ARIMA 모형과 비교한다. 예측 성능 평가 결과, 계수형 시계열 분석에서 ARIMA 모형에 비해 시계열 일반화 선형 모형의 예측 성능이 우수함을 확인할 수 있다. 또한 실증분석으로서, 살인사건 발생 건수의 예측결과 ARIMA 모형보다 중기 및 장기 예측에서 우수한 성능을 나타내는 것을 확인할 수 있다.

시간적 계층을 이용한 교통사고 발생건수 예측

전관영,성병찬,Jun, Gwanyoung,Seong, Byeongchan 한국통계학회 2018 응용통계연구 Vol.31 No.2

본 논문에서는 시간적 계층 개념을 활용하여 시계열 자료를 예측하는 방법을 소개한다. 횡단적 계층 자료 분석에서와 유사한 방법으로 중복되지 않는 시간적 계층을 시계열 자료에 구조화할 수 있다. 이러한 시간적 계층을 활용하여 조정된 예측은 기존의 계층별 독립적 기저 예측 및 상향식 예측보다 더 정확하고 강건한 예측값을 생성한다. 실증 분석으로서 국내 교통사고 발생건수를 시간적 계층 개념을 활용하여 예측한다. 분석 결과, 조정 예측이 기존의 다른 예측보다 예측 성능면에서 더 우수함을 확인할 수 있다. This paper introduces how to adopt the concept of temporal hierarchies to forecast time series data. Similarly as in hierarchical cross-sectional data, temporal hierarchies can be constructed for any time series data by means of non-overlapping temporal aggregation. Reconciliation forecasts with temporal hierarchies result in more accurate and robust forecasts when compared with the independent base and bottom-up forecasts. As an empirical example, we forecast traffic accident counts with temporal hierarchies and observe that reconciliation forecasts are superior to the base and bottom-up forecasts in terms of forecast accuracy.

경부고속도로 최고제한속도 상향에 따른 교통사고 영향 분석

송은화,성병찬,Song, Yinhua,Seong, Byeongchan 한국통계학회 2017 응용통계연구 Vol.30 No.5

본 논문에서는 개입모형(intervention model)을 이용하여 경부고속도로(천안IC-양재IC) 구간의 최고 제한속도 상향 조정으로 인한 교통사고 발생의 영향을 분석하고자 하였다. 또한 천안IC-양재IC 구간과 부산IC-천안IC 구간의 차이를 이용하여 제한속도의 상향조정 효과를 분석하여 외부적 요인의 영향을 고려하지 않을 경우 제한속도 조정으로 인한 교통사고의 변화를 분석하였다. 그 결과, 제한속도 상향 후 교통 사고발생건수와 사고부상자수는 모두 증가하는 추세이며 특히 최고속도가 예전과 변화 없는 구간에 비교할 때 그 증가 추세는 더 심각한 것으로 판단된다. In September 2010, the Korea government increased the speed limit on the Gyeongbu Expressway (Cheonan IC.-Yangjae IC) from 100 to 110 km per hour. This paper considers ARIMA-Intervention model to analyze the effects of the speed limit change on the incidences of traffic accidents and injuries. In addition, in order to investigate the effects more clearly, we also analyze the difference between the two lines of Cheonan IC-Yangjae IC and Busan IC-Cheonan IC. As a result, we observe that the numbers of accidents and injuries have increased after the speed limit change. The increases are strikingly distinctive in comparison to other lines (Busan IC-Cheonan IC) where there have been no changes in the maximum speed limit.

DCC 모형에서 동태적 상관계수 추정법의 효율성 비교

이지호,성병찬,Lee, Jiho,Seong, Byeongchan 한국통계학회 2015 응용통계연구 Vol.28 No.5

본 논문에서는 다변량 DCC(dynamic conditional correlation) GARCH 모형에서 동태적 상관계수를 추정하기 위한 대표적 방법인 쌍별 추정법과 다차원 추정법의 효율성을 비교한다. 이를 위하여 금융 시장의 변동성을 반영하는 다변량 시계열을 생성하고 이에 대한 DCC GARCH 모형을 수립 및 추정하는 시뮬레이션을 실시하였다. 또한 KOSPI 200 섹터지수를 이용하여 포트폴리오를 구성하고 이의 변동성 추정 및 VaR 계산을 통하여 동태적 상관계수 추정에 대한 정확성을 평가하였다. 그 결과로서, 전반적으로 다차원 추정법이 쌍별 추정법보다 우수함을 발견하였다. 특히, 다차원 추정법에서 상대적으로 상관관계가 낮은 시계열을 추가할수록 쌍별 시계열에 대한 동태적 상관계수 추정의 정확성을 높여줌을 발견하였다. We compare the performance of two representative estimation methods for the dynamic conditional correlation (DCC) GARCH model. The first method is the pairwise estimation which exploits partial information from the paired series, irrespective to the time series dimension. The second is the multi-dimensional estimation that uses full information of the time series. As a simulation for the comparison, we generate a multivariate time series similar to those observed in real markets and construct a DCC GARCH model. As an empirical example, we constitute various portfolios using real KOSPI 200 sector indices and estimate volatility and VaR of the portfolios. Through the estimated dynamic correlations from the simulation and the estimated volatility and value at risk (VaR) of the portfolios, we evaluate the performance of the estimations. We observe that the multi-dimensional estimation tends to be superior to pairwise estimation; in addition, relatively-uncorrelated series can improve the performance of the multi-dimensional estimation.